上一篇提到，是因為要看懂一點用pytorch寫yolov4的運作
所以才會去學pytorch的基礎
雖然pytorch是學了一點皮毛這點不錯
但是，yolov4這邊卻是進展緩慢啊
同訓練集感覺YOLOv4的運算量比v3還大很多
加上電腦的顯卡太弱了，只有2G，所以只能用CPU訓練
進度超緩慢...
(在原本的成果只訓練到60epochs就花了近8小時)
就在訓練期間，爬到了這篇，YOLOV5在樹莓派上的測試
這Yolov5的運算量似乎很小，才可以在樹莓派上跑得用
不然來試試吧
先說這個爭議非常多的Yolo v5 XD
在今年YoloV4的程式碼與論文出來後不到一個月
Ultralytics就宣稱他們開發出來新一代的YOLO
立即引起這個圈子的軒然大波
只是根據這篇的情報，簡言之，YOLOv5 比 YOLOv4 差，而且並不是官方的。
或者該這麼稱呼它，U公司的Yolov5，這樣比較正確
不過太饒舌了，我還是簡稱yolov5吧
雖然名稱，與效能並不能與正版的YOLO相比
但畢竟我要識別的不是什麼複雜的人，車，動物花草之類的東西
只是符號(Symbol)之流，夠小可以用對我比較重要
那麼成果呢？
實際使用yolov5，成效對我而言算相當不錯
在預設的yolov5 S版原始權重下進行訓練
圖片大小在640，30epochs後
訓練出來的權重，在閥值設為0.4就可以抓到9成的元件了
而調整的過程
只要batch size在6以下，且圖片大小在640以下
竟然還可以用GPU訓練！！！
這真是太棒了
原本30個epochs要2個小時多，一下子就縮短成20分
就這樣再多跑個30個epochs後
閥值就不能設0.4，要拉到0.7才能濾掉一些錯認的元件
整體的識別率應該高達98%
扣掉錯認的(多認的)部分與訓練集過少(只有兩個)的某元件之外
應該可以等同100%
同時，使用的過程完全不用修改程式碼
對我更是不用再花時間除錯處理
換言之也就是寫的比較完整
畢竟是公司規模的專案嘛
訓練得夠快，權重夠小，準度也夠高了
想做的事算成功一半了
接下來，要做的就是抓元件上的字轉成文字
換進入到OCR的部分了
應該更沒問題.....吧？
沒有留言:
張貼留言